该文汇总多项研究：视频对象状态变化（OSC）至关重要，VidOSC利用文本与视觉语言模型监督，无需人工标注，并提出开放世界基准HowToChange；OaSC实现零样本对象无关状态分类；NOC、Oscar等推进图像字幕与视觉语言预训练；此外还涉及Transformer视频识别、图像哈希、语音识别字幕及数据集等工作。